Resumen

En este trabajo se revisaron las aplicaciones del aprendizaje automático (AM) en la producción de bioetanol lignocelulósico. En primer lugar, se resumió la ruta pretratamiento-hidrólisis-fermentación, la alternativa más estudiada. A continuación, se realizó un análisis bibliométrico para identificar las tendencias actuales en este campo; se descubrió que las aplicaciones del ML en este campo no sólo están aumentando, sino que también están ampliando su participación relativa en las publicaciones, siendo el bioetanol el tema más frecuentemente investigado, mientras que el biocarbón y el biogás también están recibiendo una mayor atención en los últimos años. A continuación, se revisó en profundidad la implementación de ML para la producción de bioetanol lignocelulósico por esta vía. Se observó que la red neuronal artificial (RNA) es el algoritmo más utilizado (apareció en casi el 90% de los artículos), seguido de la metodología de superficie de respuesta (RSM) (en cerca del 25% de los artículos) y el bosque aleatorio (RF) (en cerca del 10% de los artículos). La concentración de bioetanol es la variable de salida más común en la etapa de fermentación, mientras que el azúcar fermentable y la concentración de glucosa son las más estudiadas en la hidrólisis. Los conjuntos de datos suelen ser pequeños, mientras que las aptitudes de los modelos (R²) suelen ser altas en los artículos revisados. Por último, se ofrece una perspectiva para futuros estudios, sobre todo teniendo en cuenta la mejora de la disponibilidad de datos. 

• Materias:Acetamida
• Subjects:Acetamida
• Palabras claves:Producción de biocombustibles; Bioetanol; Materia prima de segunda generación; Etanol lignocelulósico; Etanol celulósico; Aprendizaje automático
• Keywords:Biofuel production; Bioethanol; 2nd generation feedstock; Lignocellulosic ethanol; Cellulosic ethanol; Machine learning